基于迁移学习和数据平衡策略的未知电能质量扰动分类方法研究

针对电能质量扰动(PQDs)分类中数据不平衡和未知扰动识别难题，Mohammad Mosayebi团队提出融合迁移学习(TL)和自适应合成采样(ADASYN)的CNN-LSTM混合模型。通过Wasserstein距离(WD>2.65)触发模型更新机制，在仅需小样本条件下实现99.78%分类准确率，为智能电网实时监测提供高效解决方案。

　　

随着新能源和电力电子设备大规模并网，电能质量扰动(Power Quality Disturbances, PQDs)呈现爆发式增长。电压暂降、谐波、闪变等非平稳信号严重威胁电网安全，传统检测方法面临两大瓶颈：一是实际场景中各类PQDs样本量严重不均衡，导致模型偏向多数类；二是新型扰动层出不穷，预训练模型遇到未知类型时性能骤降。这些问题使得现有基于深度学习的方法在工程应用中捉襟见肘，亟需开发具有持续学习能力的智能分类系统。

Results in Engineering期刊最新发表的这项研究给出了创新解决方案。来自伊朗的研究团队Mohammad Mosayebi等人构建了融合卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合架构，前者擅长提取局部时空特征，后者能捕捉长期依赖关系。针对数据不平衡问题，采用自适应合成采样(ADASYN)生成少数类样本，使模型对罕见扰动保持敏感。更突破性的是引入Wasserstein距离(WD)作为分布差异度量，当WD>2.65时自动触发迁移学习(TL)机制，仅需少量新样本即可完成模型迭代，完美解决传统方法需大规模重新训练的痛点。

关键技术包括：1）基于IEEE-1159标准生成9类PQDs仿真数据；2）采用ADASYN算法平衡数据集；3）构建1D-CNN与LSTM串联的混合模型；4）利用WD量化模型不确定性；5）通过TL实现小样本增量学习。

研究结果方面：

1. 数据库生成：构建包含正常信号和8种扰动（含2种未知类型）的3650组信号，采样频率10kHz。
2. 数据平衡验证：ADASYN使少数类样本增长23.5%，模型对冲击性暂态等罕见扰动识别率从86.48%提升至100%。
3. 未知扰动检测：WD阈值设为2.65时，对振荡暂态等新扰动检测准确率从61.53%跃升至100%。
4. 实时性测试：单次分类仅需1.3ms，模型更新耗时40.89秒，满足智能电网30ms级实时需求。

结论表明，该研究首次将TL与动态数据平衡策略相结合，突破传统PQD分类模型"一次性学习"局限。通过WD指标实现模型自诊断，配合TL机制使系统具备持续进化能力，在保持99.78%超高准确率的同时，将新扰动适应成本降低90%以上。这项成果为构建新一代自适应电能质量监测系统奠定理论基础，特别适用于高比例可再生能源并网场景，相关技术路线还可拓展至工业设备故障诊断等领域。论文中提及的"冻结部分层+微调输出层"的TL策略，为其他时序信号处理任务提供了普适性框架。